《数据挖掘与机器学习》 课件8.2 构建中草药识别模型.pptx

构建中草药识别模型中草药识别——神经网络

任务描述古语有云，对症下药。医生需正确识别中草药才能准确无误的为患者抓取所需药材。如果抓取药材时差之毫厘，那么可能造成谬以千里的结果，患者的症状非但没有减轻，反而加重，由此可见准确识别中草药的重要性。本任务将使用BP神经网络进行中草药的识别。构建中草药识别模型

任务要求使用sklearn库建立BP神经网络模型。构建中草药识别模型

BP神经网络

BP神经网络什么是BP神经网络?构建中草药识别模型BP神经网络，即反向传播神经网络（BackpropagationNeuralNetwork）。BP神经网络是一种广泛应用于分类、回归和聚类等任务的人工神经网络。

BP神经网络BP神经网络的结构构建中草药识别模型BP神经网络由一个输入层、隐藏层和一个输出层组成。每个层都包含多个神经元，每个神经元与上一层的所有神经元相互连接，并且每个连接都有一个对应的权重。在训练过程中，BP神经网络使用反向传播算法来更新每个权重，以使网络的输出尽可能地接近于真实值。

BP神经网络BP神经网络运行基本步骤构建中草药识别模型前向传播：将训练数据输入神经网络，计算网络输出。1计算误差：将网络输出与真实输出比较，计算误差。2反向传播误差：从输出层开始，将误差反向传播回每个神经元，计算每个神经元的误差梯度。3更新权重：根据误差梯度和学习率更新每个神经元的权重值。4重复以上步骤，直到网络的误差满足要求或达到最大训练次数。5

BP神经网络BP神经网络优缺点构建中草药识别模型优点能够对非线性模式进行拟合，并且可以应用于多种任务缺点需要大量的训练数据和计算资源，并且容易过拟合因此，在实际应用中，需要根据具体任务选择合适的网络结构、参数和优化算法，以提高网络的性能和泛化能力。

BP神经网络在Python中，使用sklearn库MLPClassifier类可以建立BP神经网络模型其基本使用格式如下。构建中草药识别模型classsklearn.neural_network.MLPClassifier(hidden_layer_sizes=(100,),activation=relu,*,solver=adam’,alpha=0.0001,batch_size=auto’,learning_rate=constant,learning_rate_init=0.001,power_t=0.5,max_iter=200,shuffle=True,random_state=None,tol=0.0001,verbose=False,warm_start=False,momentum=0.9,nesterovs_momentum=True,early_stopping=False,validation_fraction=0.1,beta_1=0.9,beta_2=0.999,epsilon=1e-08,n_iter_no_change=10,max_fun=15000)

BP神经网络MLPClassifier类常用的参数及其说明如下。构建中草药识别模型参数名称说明hidden_layer_sizes接收tuple、length，用于表示隐层的个数和每个隐层中的神经元个数，默认值为100activation接收tanh、relu，用于指定激活函数类型，默认为relusolver接收sgd、adam，用于指定正则化的惩罚系数，默认值为adambatch_size接收int，用于指定每次迭代中使用的样本数，默认值为autolearning_rate_init接收double，用于指定学习率的初始值，默认值为0.001

BP神经网络花卉识别可以帮助植物学家、生态学家和环境保护人士更好地了解和保护自然生态系统中的花卉植物。通过准确识别花卉种类和分布情况，可以对生物多样性进行监测和保护，帮助保护濒危物种、保护区域和生态环境，提升生态系统多样性、稳定性、持续性。花卉识别能够更好的实现绿色中国的目标，达成同走绿色发展之路，同守美丽地球家园。构建中草药识别模型

BP神经网络使用BP神经网络，进行花卉识别。构建中草药识别模型

构建BP神经网络模型评估模型

导入开发库构建中草药识别模型使用import和from导入MLPClassifier、confusion_matrix、accuracy_score、train_test_split等开发类。MLPClassifier类可用于构建BP神经网络。confusion_matrix类可用于求混淆矩阵。accuracy_score类可用于求模型精确度。train_test_split类可用于划分训练集和测试集。

划分训练集